Aspose一直致力于研究用于执行文件间格式转换，对文件进行操作（例如创建、版本、操作等）的文件格式API。好消息来啦！专门用于Java平台识别光学标识并管理转换的API控件Aspose.OMR for Java首次公开发行啦！

Aspose.OMR for Java是一种可从多种图像格式识别光学标记，包括PNG，GIF，JPEG，TIFF，BMP的API。API将输出保存为CSV和JSON格式，并且可以在执行OMR操作时以文本格式显示结果。可点击下方按钮下载最新版体验。

Aspose.OMR for Java数据处理API功能

接下来，让我们快速浏览一下上述Java API的功能，以了解如何识别各种图像格式的光学标记，以及如何从包含MCQ的调查，问卷或测试中捕获人类标记的数据。

用Java动态创建OMR模板

Aspose.OMR for Java提供了从创建OMR模板到识别光学标记以捕获数据的完整功能集。该API支持通过简单的文本标记生成OMR模板文件或图像。您只需将模板的文本标记传递给API，它将为您生成模板。以下是OMR模板的示例文本标记。

我们可以简单地将文本标记保存在扩展名为.txt的文本文件中。完成后，可以使用以下步骤生成模板：

• 创建一个OmrEngine对象。
• 调用OmrEngine.generateTemplate（）方法，该方法接受标记文本文件的路径。
• 使用GenerationResult.save方法保存模板。

下面的代码示例演示如何使用Java从文本标记生成OMR模板。

String outputDirectory = "GenerationResult";

String[] GenerationMarkups = new String[] { "Sheet.txt", "Grid.txt", "AsposeTest.txt" };
String[] GenerationMarkupsNoExt = new String[] { "Sheet", "Grid", "AsposeTest" };

OmrEngine engine = new OmrEngine();

for (int i = 0; i < GenerationMarkups.length; i++) { // call template generation providing path to the txt file with markup GenerationResult res = engine.generateTemplate(GenerationMarkups[i]); // check in case of errors if (res.getErrorCode() != 0) { System.out.println("ERROR CODE: " + res.getErrorCode()); } // save generation result: image and .omr template res.save(outputDirectory, GenerationMarkupsNoExt[i]); }

输出结果：

使用Java的图像中的光学标记识别（OMR）

为了在图像中执行OMR，只需要两件事–准备的OMR模板（.omr）和图像（用户填写的表单/工作表）就可以执行OMR。API支持以下图像格式的OMR：

• JPEG
• PNG
• GIF
• TIFF
• BMP

以下是在图像中执行OMR的步骤：

• 创建OmrEngine对象。
• 创建TemplateProcessor对象，并使用OMR模板的路径对其进行初始化。
• 使用TemplateProcessor.recognizeImage（）方法识别图像，并以CSV或JSON格式获取结果。

下面的代码示例演示如何使用Java识别图像中的光学标记：

String[] UserImages = new String[] { "Sheet1.jpg", "Sheet2.jpg" };
String[] UserImagesNoExt = new String[] { "Sheet1", "Sheet2" };

String outputDirectory = "Result";
String templatePath = "Sheet.omr";

// initialize engine and get template processor providing path to the .omr file
OmrEngine engine = new OmrEngine();
TemplateProcessor templateProcessor = engine.getTemplateProcessor(templatePath);
System.out.println("Template loaded.");

// images loop
for (int i = 0; i < UserImages.length; i++) { // path to the image to be recognized String imagePath = UserImages[i]; System.out.println("Processing image: " + imagePath); // recognize image and receive result RecognitionResult result = templateProcessor.recognizeImage(imagePath); // export results as csv string String csvResult = result.getCsv(); String json = result.getJson(); // save csv to the output folder PrintWriter wr = new PrintWriter(new FileOutputStream(UserImagesNoExt[i] + ".csv"), true); wr.println(csvResult); }

对OMR使用自定义识别阈值

可以通过在0到100之间定义一个自定义阈值来微调OMR结果。增大阈值会使API在识别答案时更加严格。可以在TemplateProcessor.recognizeImage（）方法中将阈值设置 为第二个参数，如以下Java代码示例所示。

String[] UserImages = new String[] { "Sheet1.jpg", "Sheet2.jpg" };
String[] UserImagesNoExt = new String[] { "Sheet1", "Sheet2" };

String outputDirectory = "Result";
String templatePath = "Sheet.omr";
int customThreshold = 40;

// initialize engine and get template processor providing path to the .omr file
OmrEngine engine = new OmrEngine();
TemplateProcessor templateProcessor = engine.getTemplateProcessor(templatePath);
System.out.println("Template loaded.");

// images loop
for (int i = 0; i < UserImages.length; i++) { // path to the image to be recognized String imagePath = UserImages[i]; System.out.println("Processing image: " + imagePath); // recognize image and receive result RecognitionResult result = templateProcessor.recognizeImage(imagePath, customThreshold); // export results as csv string String csvResult = result.getCsv(); String json = result.getJson(); // save csv to the output folder PrintWriter wr = new PrintWriter(new FileOutputStream(UserImagesNoExt[i] + ".csv"), true); wr.println(csvResult); }

重新计算OMR结果

在某些情况下，您可能需要使用不同的阈值重新计算OMR结果。在这种情况下，不必一次又一次地调用TemplateProcessor.recognizeImage（），而是可以使用TemplateProcessor.recalculate（）方法配置用于自动重新计算的API，以提高图像处理效率。下面的代码示例演示如何实现OMR结果的重新计算。

String[] UserImages = new String[] { "Sheet1.jpg", "Sheet2.jpg" };
String[] UserImagesNoExt = new String[] { "Sheet1", "Sheet2" };

String outputDirectory = "Result";
String templatePath = "Sheet.omr";

// init engine and get template processor
OmrEngine engine = new OmrEngine();
TemplateProcessor templateProcessor = engine.getTemplateProcessor(templatePath);
System.out.println("Template loaded.");

// Set custom threshold to use in recalculation
// this value is in range (0 to 100)
// represents the percentage of required black pixels on bubble image to be recognized
// i.e. the lower the value - the less black pixels required for bubble to be counted as filled and vice versa
int CustomThreshold = 40;

// images loop
for (int i = 0; i < UserImages.length; i++) { String image = UserImages[i]; String imagePath = image; System.out.println("Processing image: " + imagePath); // recognize image RecognitionResult result = templateProcessor.recognizeImage(imagePath); // get export csv string String stringRes = result.getCsv(); // save csv to output folder String outputName = UserImagesNoExt[i] + ".csv"; PrintWriter wr = new PrintWriter(new FileOutputStream(outputName), true); wr.println(stringRes); System.out.println("Export done. Path: " + outputName); // recalculate recognition results with custom threshold templateProcessor.recalculate(result, CustomThreshold); // get export csv string stringRes = result.getCsv(); // save recalculated results outputName = UserImagesNoExt[i] + "_recalculated.csv"; wr = new PrintWriter(new FileOutputStream(outputName), true); wr.println(stringRes); System.out.println("Recalculated result export done. Path: " + outputName); System.out.println(); }